0、论文基本信息

论文标题：Characterizing clay textures and their impact on the reservoir using deep learning and Lattice-Boltzmann simulation applied to SEM images
来源：Energy
https://doi.org/10.1016/j.energy.2021.122599
作者单位：
山东科技大学、中国海洋大学、中国石油大学、东北石油大学等

1、深度学习

1.1 使用AlexNet网络，数据集199张高分辨率SEM图像，训练集1380+348=1728张，测试集432张，共2160张小图（227px*227px），包括数据增强
1.2 矿物类别（六类）：高岭石、伊利石、蒙脱石、绿泥石、溶孔和石英
1.3 训练准确率：97.13，测试准确率：95.4

2、可运行程序—Matlab

3、深度切片

通过切片技术，将二维的SEM图像根据深度划分不同深度的孔喉路径

(a) 深度图，颜色表示为红色（浅）、绿色（中深度）、蓝色（深）和黑色（背景）；
(b) 正面切片；
© 中深度切片；
(d) 深切片；
(e) 目标 SEM 图像深度图的灰度直方图；
(f) 深度切片的3D表示

切片代码使用Python编写（Appendix A5）：

3、LBM模拟

左栏显示二值化结果，中间栏表示速度矢量，右栏表示渗透率计算结果

4、局限性

（a）仅关注粘土的形态特性，来研究它们对流体流动的影响。但影响流动机理的膨胀、双电层现象、传质等并未包括在内，其同时影响有待进一步研究；
(b) 在数值模拟中，本研究仅考虑伊利石，而需要进一步尝试来表征蒙脱石、绿泥石和溶孔如何干扰流体流动。这些模拟中没有考虑高岭土，因为它们通常会堵塞孔喉而不是改变流速。
（c）深度切片方法解决了传统 2D SEM图像分割任务中遇到的“景深”问题，然而这需要人工细心分割，后续工作可考虑直接对三维的结构进行实验

粒径自动测量：http://www.semx.ca/geology.html